경험 압축 스펙트럼: LLM 에이전트에서 기억, 기술 및 규칙을 통합하는 프레임워크

Experience Compression Spectrum: Unifying Memory, Skills, and Rules in LLM Agents

LLM 에이전트가 장기적인, 다중 세션 환경으로 확장됨에 따라, 축적된 경험을 효율적으로 관리하는 것은 중요한 병목 현상이 됩니다. 에이전트 메모리 시스템과 에이전트 기술 발견은 모두 이 문제를 해결하려고 시도하며, 상호 작용 기록에서 재사용 가능한 지식을 추출합니다. 그러나 22개의 주요 논문에 걸쳐 1,136개의 참고 문헌에 대한 인용 분석 결과, 학문 간 인용률은 1% 미만으로 매우 낮습니다. 우리는 '경험 압축 스펙트럼'이라는 통합 프레임워크를 제안합니다. 이 프레임워크는 메모리, 기술 및 규칙을 단일 축을 따라 증가하는 압축 수준(에피소드 메모리의 경우 5~20배, 절차적 기술의 경우 50~500배, 선언적 규칙의 경우 1,000배 이상)으로 배치하여 컨텍스트 소비, 검색 지연 시간 및 계산 오버헤드를 직접적으로 줄입니다. 20개 이상의 시스템을 이 스펙트럼에 매핑한 결과, 모든 시스템이 고정된, 미리 결정된 압축 수준에서 작동하며, 어떤 시스템도 적응형 교차 수준 압축을 지원하지 않는다는 것을 알 수 있습니다. 우리는 이를 '누락된 대각선'이라고 명명합니다. 또한 전문화만으로는 충분하지 않으며, 두 커뮤니티 모두 독립적으로 공유된 하위 문제를 해결하지만 솔루션을 교환하지 않는다는 점, 평가 방법이 압축 수준과 밀접하게 연결되어 있다는 점, 전송 가능성이 압축 수준이 높아질수록 증가하지만 특이성이 감소한다는 점, 그리고 지식 라이프사이클 관리가 여전히 대부분 간과되고 있다는 점을 보여줍니다. 우리는 확장 가능하고 전체 스펙트럼을 지원하는 에이전트 학습 시스템을 위한 개방적인 문제와 설계 원칙을 제시합니다.

As LLM agents scale to long-horizon, multi-session deployments, efficiently managing accumulated experience becomes a critical bottleneck. Agent memory systems and agent skill discovery both address this challenge -- extracting reusable knowledge from interaction traces -- yet a citation analysis of 1,136 references across 22 primary papers reveals a cross-community citation rate below 1%. We propose the \emph{Experience Compression Spectrum}, a unifying framework that positions memory, skills, and rules as points along a single axis of increasing compression (5--20$\times$ for episodic memory, 50--500$\times$ for procedural skills, 1,000$\times$+ for declarative rules), directly reducing context consumption, retrieval latency, and compute overhead. Mapping 20+ systems onto this spectrum reveals that every system operates at a fixed, predetermined compression level -- none supports adaptive cross-level compression, a gap we term the \emph{missing diagonal}. We further show that specialization alone is insufficient -- both communities independently solve shared sub-problems without exchanging solutions -- that evaluation methods are tightly coupled to compression levels, that transferability increases with compression at the cost of specificity, and that knowledge lifecycle management remains largely neglected. We articulate open problems and design principles for scalable, full-spectrum agent learning systems.